Die Frage der KI-Bereitschaft spielt in nahezu jeder Diskussion über die Einführung von KI eine Rolle. Für Helpdesk-, ITSM- und PSA-Teams liegt der Fokus auf den Daten ihrer Systeme: Jahrelange Ticketbearbeitung allein macht einen Supportbetrieb noch nicht KI-fähig. Entscheidend ist, ob die vorhandenen Datensätze und Kenntnisse korrekt, vollständig, aktuell, einheitlich strukturiert und so verwaltet sind, dass sie von der KI genutzt werden können.
Dieser Leitfaden wandelt die Bereitschaft für KI-Daten in praktische Prüfungen für Supportdaten um: Was ist zu bewerten? Wo treten typischerweise Lücken auf? Wann reicht es aus, diese zu beheben, und wann sollte ein Plattformwechsel Teil der Entscheidung sein?.
Was versteht man unter KI-Datenbereitschaft?
Die Datenbereitschaft für die KI-Einführung beschreibt, inwieweit die Daten einer Organisation eine geplante KI-Anwendung zuverlässig unterstützen können. Die Daten müssen in einer Form vorliegen, auf die KI-Systeme zugreifen, die sie interpretieren und nutzen können, ohne inakzeptable Fehler, Datenschutzrisiken oder Kontextlücken zu verursachen.
Es gibt jedoch keinen allgemeingültigen Schwellenwert für diese Bereitschaft. McKinsey empfiehlt, „ausreichend gute“ Daten je nach Anwendungsfall und Risikoprofil zu definieren. In seinem Rahmenwerk für 2026 ordnet es kundenorientierte Assistenten, darunter Chatbots und Service-Agenten, der Kategorie „Hohe Datenqualität“ zu und berücksichtigt dabei Überwachung, Eskalation und den Schutz personenbezogener Daten.
KI-fähige Daten vs. KI-Bereitschaft: Worin liegt der Unterschied?
Bei KI-fähigen Daten geht es um die Daten selbst, während KI-Bereitschaft die umfassendere Fähigkeit einer Organisation beschreibt, KI gewinnbringend einzusetzen.
Wie Gartner betont, gibt es keinen universellen Standard für KI-fähige Daten. Die erforderliche Qualität, Governance, Herkunft und andere Merkmale hängen vom jeweiligen KI-Anwendungsfall ab.
Die KI-Bereitschaft von Unternehmen geht über Daten hinaus. Sie umfasst auch Menschen, Prozesse, Governance, Technologie und die Fähigkeiten, die für den effektiven Einsatz von KI erforderlich sind.
Warum Support- und Servicedaten ein Sonderfall sind
- Ticketfelder, Tags und Status
- Kontaktdatensätze
- E-Mails, Chat-Konversationen und interne Notizen
- Anhänge, Bilder und Gesprächsaufzeichnungen
- Wissensdatenbankartikel
- Daten, die aus anderen Geschäftssystemen verknüpft sind
Die Datenbereitschaft für generative KI erfordert klare Beziehungen zwischen diesen Quellen, damit die Lösung Konversationen mit den richtigen Tickets, Wissensdatenbankinhalten und Kundendatensätzen verknüpfen kann.
Warum die Bemühungen um die Datenbereitschaft für KI in den unterstützenden Organisationen ins Stocken geraten
Gleichzeitig stehen Supportorganisationen unter Druck, die Einführung von KI zu beschleunigen. Insbesondere im Kundenservice wird seit Jahren in KI investiert und damit experimentiert. Laut Gartner gaben 91 % der Führungskräfte im Kundenservice und Support an, bis 2026 von der Geschäftsleitung unter Druck gesetzt zu werden, KI einzuführen.
Was passiert, wenn KI mit Daten arbeitet, die nicht bereit sind?
Die Folgen mangelhafter Datenaufbereitung variieren je nach Anwendungsfall der KI:
- Ticketklassifizierung und -weiterleitung: Inkonsistente Kategorien, unvollständige Felder oder ein unklarer Ticketkontext können sich darauf auswirken, wie eingehende Anfragen klassifiziert und weitergeleitet werden.
- KI-Copiloten: Überholtes oder widersprüchliches Wissen kann in den Kontext gelangen, der zur Generierung einer Antwort verwendet wird, und liefert dem Agenten Informationen, die nicht mehr gültig sind.
- KI-Agenten: Veraltete Kunden- oder Kontodatensätze bergen ein größeres operationelles Risiko, wenn KI diese Informationen nutzen kann, um zulässige Aktionen in verbundenen Systemen durchzuführen.
Diese Probleme lassen sich schwieriger isolieren, sobald die KI auf mehrere Quellen gleichzeitig zugreift. Eine falsche Antwort kann auf einen veralteten Wissensartikel zurückzuführen sein, während ein Routing-Problem seinen Ursprung in der Ticketstruktur oder -konfiguration haben kann.
Die fünf Dimensionen der KI-Datenbereitschaft für Supportdaten
Diese fünf Dimensionen bieten eine praktische Vorlage zur Bewertung der KI-Datenbereitschaft für Supportdaten.
1. Genauigkeit und Deduplizierung
Genauigkeit hängt von zuverlässigen Kontakten, Tickets, Feldwerten und Wissensartikeln ohne Duplikate oder widersprüchliche Versionen ab. KI benötigt eine eindeutige, autoritative Quelle.
2. Vollständigkeit der Ticket-, Wissensdatenbank- und Kontaktinformationen
Die Vollständigkeit muss anhand des Anwendungsfalls der KI bewertet werden. Prüfen Sie, ob die Daten alles enthalten, was die KI für ihre Aufgaben benötigt, einschließlich erforderlicher Ticketfelder, Gesprächsverlauf, Kundenbeziehungen, Anhänge und ausreichendem Wissen zu häufig auftretenden Problemen.
3. Konsistenz von Struktur und Taxonomie
Kategorien, Schlagwörter und benutzerdefinierte Felder ändern sich häufig im Laufe der Zeit, was zu sich überschneidenden Schlagwörtern, umbenannten Kategorien, nicht mehr verwendeten Feldern und inkonsistenter Benennung führen kann. Äquivalente Werte sollten derselben Struktur und denselben Namenskonventionen folgen, damit die KI sie als identisch interpretieren kann.
4. Frische und Herkunft
Wissensartikel, Richtlinien, Produktinformationen und Kundendatensätze verlieren mit der Zeit oft an Relevanz. Die Datenherkunft liefert Kontextinformationen darüber, woher wichtige Daten stammen und wie sie sich verändert haben. Die Datenbeobachtung im Hinblick auf die KI-Bereitschaft kann diese Transparenz über ein einmaliges Audit hinaus erweitern, indem Aktualität und Datenherkunft im Zeitverlauf überwacht werden.
5. Governance, Zugriff und Compliance
Supportdaten umfassen typischerweise personenbezogene Daten, interne Notizen, Kontodaten und vertrauliche Anhänge, wobei je nach KI-Anwendungsfall unterschiedliche Zugriffsberechtigungen gelten können. Tools zur Kundendatenverwaltung für die KI-Bereitschaft können dabei helfen, Zugriff, Aufbewahrung und Kontrolle durchzusetzen, wenn KI mit immer mehr Datenquellen verbunden wird.
KI-Datenbereitschaft auf allen Supportplattformen
Helpdesk-Plattformen
Für Helpdesks beginnt die Datenbereitschaft für KI mit dem Supportkontext, auf den KI zugreifen kann: Konversationen, Kundendatensätze, Wissensdatenbankinhalte, Ticket-Metadaten und die Verknüpfungen zwischen diesen Elementen. Bei der Evaluierung einer Plattform oder der Planung einer KI-gestützten Helpdesk-Migrationsollten Sie prüfen, wie dieser Kontext gespeichert, abgebildet und an KI-Funktionen weitergegeben wird.
Wenn Sie beispielsweise Zendesk oder eine Migration dorthin planen, überprüfen Sie Ihre Wissensdatenbank, Routing-Regeln und Verbindungen zu Kundendaten in anderen Geschäftssystemen. Zendesk führt alle drei Punkte in seiner Checkliste zur KI-Bereitschaft, zusammen mit Sicherheits- und Rechtsprüfungen der verbundenen Datensätze. Dieselben Prüfungen gelten auch für Freshdesk und ähnliche Support-Plattformen.
Wenn es darum geht, Fin AI außerhalb seiner nativen Plattform zu nutzen, sollte Fin (ehemals Intercom) besonders auf den Kontext achten, der die Integration durchläuft: Ticketdetails, Kundeninformationen, Kommentare, Wissensquellen und Übergabedaten.
ITSM-Plattformen
ITSM-Plattformen fügen dem KI-Datenbereitschaftscheck Vorfälle, Probleme, Änderungen, Assets und verknüpfte Service-Datensätze hinzu.
- ServiceNow: Unterschiedliche KI-Anwendungsfälle basieren auf unterschiedlichen Servicedatensätzen. Vorfall- und Änderungsdaten speisen Zusammenfassungen; Lösungsnotizen unterstützen die Lösungsgenerierung, und Wissensinhalte liefern Kontext für die Wissensgenerierung und Dialoge.
- Jira Service Management: AI Risk Assessment nutzt historische Änderungen, Vorfälle, Bereitstellungen, Service- und Asset-Abhängigkeiten sowie Implementierungs-, Test- und Rollback-Pläne, um das Risiko einer Änderung zu bewerten.
- Freshservice: Tickets, Probleme, Änderungen, Wissensartikel, Assets und benutzerdefinierte Felder können alle einen verknüpften Servicekontext enthalten. Daher sollte die Bereitschaftsprüfung sowohl die Qualität der einzelnen Datensätze als auch die Beziehungen zwischen ihnen berücksichtigen.
PSA-Plattformen
Künstliche Intelligenz kann auf operative Daten von Technikern, Kunden, Anlagen, Dokumentationen, Überwachungs- und Sicherheitssystemen angewiesen sein.
- Autotask PSA: Die KI-gestützte Ticket-Triage priorisiert Tickets, ermittelt die benötigten Qualifikationen und leitet Aufträge an Techniker weiter. Weitere KI-Funktionen fassen Ticketverläufe und interne Notizen zusammen. Daher sind Tickethistorie, Kategorisierung, Kontextinformationen der Techniker und zugehörige Dokumentation besonders wichtig.
- ConnectWise: Die Checkliste zur KI-Bereitschaft beginnt mit Betriebsdaten und fordert Managed Service Provider (MSPs) auf zu beurteilen, ob diese zugänglich, strukturiert und bereit sind, KI-gesteuerte Automatisierung und Servicebereitstellung zu unterstützen.
- Syncro: Die KI-gestützte Priorisierung und Einsatzplanung nutzt historische Ticketdaten, um Prioritäten und die Zuweisung von Technikern zu empfehlen. Syncro erstellt Kompetenzprofile der Techniker anhand von bis zu 100 abgeschlossenen Tickets der letzten sechs Monate, wodurch die jüngste Bearbeitungshistorie besonders relevant ist.
- Atera: KI durchdringt Ticketing, Diagnose, Problemlösung und IT-Automatisierung. Daher sind Zugriff und Sicherheit genauso wichtig für die Einsatzbereitschaft wie Datenqualität. In AteraNutzerforschung wurden Datenschutz und Datensicherheit mit 34 % am häufigsten als Bedenken hinsichtlich der KI-Integration genannt.
- NinjaOne: Vor der Einführung von KI fragmentierte Daten inventarisieren, dann Duplikate und veraltete Datensätze entfernen, Formate standardisieren, Eigentums- und Zugriffskontrollen festlegen und isolierte Datenquellen verbinden.
- SuperOps: Vernetzte Betriebsdaten haben Priorität. SuperOps argumentiert explizit, dass agentenbasierte KI ihren nützlichen Kontext verliert, wenn Betriebs- und Sicherheitsdaten auf voneinander getrennte Tools verteilt sind. Die Plattform vereint PSA, RMM, Ticketing, Endpoint-Management und Automatisierung.
Diese Plattformunterschiede verdeutlichen, warum eine KI-Datenbereitschaftsanalyse Ihren tatsächlichen Technologie-Stack berücksichtigen muss.
Mit einer kostenlosen Demo-Migration können Sie Ihre Datensätze, Felder und Beziehungen überprüfen und sehen, wie diese der Zielplattform zugeordnet werden.
Eine schnelle Selbsteinschätzung der KI-Datenbereitschaft
Für eine schnelle Überprüfung der KI-Datenbereitschaft beginnen Sie mit vier Fragen:
- Prüfung: Sind die Tickets einheitlich kategorisiert, die Wissensartikel aktuell und doppelte oder veraltete Datensätze identifiziert?
- Priorisieren: Können Sie aktuelle, vollständige Datensätze und nützliches Wissen von minderwertigen historischen Daten trennen?
- Validierung: Können Sie die Klassifizierung, den Abruf oder die Empfehlungen der KI anhand bekannter Ergebnisse testen?
- Aufbewahren: Wissen Sie, welche historischen Aufzeichnungen aus Gründen der Compliance, der Berichterstattung oder des Agentenkontexts weiterhin verfügbar bleiben müssen?
Dies ist die Kurzfassung. Unsere Checkliste für die KI-gestützte ITSM-Migration beschreibt die vier Phasen detaillierter – von der ersten Datenprüfung bis zur vollständigen Migration der historischen Daten.
Eine Checkliste dient als Ausgangspunkt; eine Prüfung ermöglicht Ihnen einen genaueren Blick auf die Lücken in Ihren Daten.
Migration als natürlicher Prüfpunkt für die KI-Bereitschaft
Eine KI-Datenbereitschaftsanalyse kann zeigen, dass Ihre aktuelle Plattform nach geringfügiger Datenbereinigung die gewünschte KI unterstützt. In diesem Fall ist es sinnvoll, die Plattform beizubehalten. Deckt die Analyse jedoch Plattformbeschränkungen, inkonsistente Felder, fragmentiertes Wissen oder Daten, die einer Umstrukturierung bedürfen, auf, sollten Sie eine Migration in Betracht ziehen.
Migration erfordert definitionsgemäß eine genauere Datenanalyse: Bevor Daten verschoben werden, muss klar sein, welche Daten vorhanden sind, welche verschoben werden sollen und wie diese auf der Zielplattform abgebildet werden. Dadurch wird die Migration zu einem natürlichen Kontrollpunkt, um Lücken, Inkonsistenzen und veraltete Datensätze zu identifizieren, bevor diese Teil des neuen Systems werden.
Was Sie vor der Migration beheben sollten
Beheben Sie die Probleme, die Sie nicht ins Zielgebiet mitnehmen möchten:
- Zusammenführen von Duplikaten und sich überschneidenden Tags
- Archiv veralteter Felder und Kategorien
- Inkonsistente Werte und Namensgebung standardisieren
- Aktualisieren oder entfernen Sie veraltetes Wissen
- Schließen Sie Lücken in den kritischen Ticket- und Kundenmetadaten
Überprüfen Sie außerdem vor der vollständigen Übertragung die Feldzuordnungen und Verknüpfungen zur Wissensdatenbank, Anhänge und Übersetzungen.
Was man selektiv und was man vollständig migrieren sollte
Das Verschieben des gesamten Archivs erschwert die KI-Validierung. Beginnen Sie stattdessen mit dem aktuellen Wissen, kürzlich erstellten, qualitativ hochwertigen Tickets und den Metadaten, auf denen Ihre neuen Workflows basieren. So erhalten Sie einen übersichtlicheren Datensatz zum Testen des KI-Verhaltens und können Zuordnungs- oder Inhaltsprobleme leichter aufspüren.
Sobald die Einrichtung validiert ist, übertragen Sie die restlichen Daten, die für Kundenkontext, Berichterstellung, Compliance und Audits benötigt werden. Dies ist die Abfolge, Help Desk Migration für eine KI-fähige Migration befolgt.
Testen Sie Ihre KI-fähige Konfiguration mit einer kostenlosen automatisierten Demo vor der vollständigen Migration.
Vergleich von KI-Datenbereitschafts-Frameworks
Wer nach einem allgemeingültigen Standard für die Datenbereitschaft im Kontext von KI sucht, wird kaum fündig werden. Selbst die besten Frameworks zur KI-Datenbereitschaft gehen das Problem unterschiedlich an, daher ist es hilfreich, die jeweiligen Bewertungskriterien zu vergleichen.
| Ansatz | Worauf es sich konzentriert |
| IBM | Vier Praktiken: einheitlich und zugänglich, gesteuert, sicher und unterstützt, wobei der einheitliche Zugriff durch Datenintegration und Datenarchitekturen realisiert wird. |
| Deloitte | Ein AI Data Readiness (AIDR) Bewertungsinstrument, das eine Organisation anhand von fünf Dimensionen bewertet: Verfügbarkeit, Volumen und Vielfalt, Qualität und Integrität, Governance sowie Ethik und Verantwortung. Anschließend werden die Bewertungen zu einem Gesamtergebnis zusammengefasst. |
| Gartner | Die Einsatzbereitschaft für einen konkreten Anwendungsfall wird durch drei Maßnahmen erreicht: Daten an den Anwendungsfall anpassen, sie anhand laufender Anforderungen qualifizieren und sie steuern. Gartner prognostiziert, dass Unternehmen bis 2026 60 % der KI-Projekte aufgeben werden, die nicht durch KI-fähige Daten unterstützt werden. |
| McKinsey | Sechs Disziplinen: Qualitätsmanagement, Metadaten, Herkunft, Governance, Beobachtbarkeit und die dahinterstehende Architektur, angewendet sowohl auf unstrukturierte Inhalte wie Verträge und Transkripte als auch auf strukturierte Datensätze. |
Ein Vergleich von Frameworks zur KI-Datenbereitschaft liefert Ihnen eine unternehmensweite Basis, doch Supportdaten bringen zusätzliche operative Herausforderungen mit sich: KI greift auf strukturierte Ticketfelder sowie auf Gesprächsverläufe, Wissensartikel, Kundendatensätze und interne Notizen zu. Diese Daten müssen nicht nur zuverlässig sein, sondern auch über die richtigen Verbindungen und Berechtigungen verfügen, damit KI kontextbezogen darauf zugreifen kann.
Sie müssen sich nicht allein mit allen Datendetails auseinandersetzen. Die Help Desk Migration können Ihre Konfiguration überprüfen und sie mit einer kostenlosen Demo-Migration testen.
Häufig gestellte Fragen zur KI-Datenbereitschaft
Die KI-Datenbereitschaft beschreibt, inwieweit Ihre Daten einen spezifischen KI-Anwendungsfall zuverlässig unterstützen können. Für Helpdesk-, ITSM- und PSA-Teams bedeutet dies, über genaue, vollständige, strukturierte, aktuelle, zugängliche und ordnungsgemäß verwaltete Daten zu verfügen. Die Bereitschaft hängt außerdem davon ab, ob KI zusammengehörige Datensätze verknüpfen, deren Kontext verstehen und sie innerhalb der entsprechenden Berechtigungen nutzen kann.
KI ist auf die Qualität der verfügbaren Informationen angewiesen. Inkonsistente Ticketfelder, veraltete Wissensartikel, doppelte Kontakte oder unvollständige Konversationen können die Zuverlässigkeit von KI-Klassifizierungen, Empfehlungen, Zusammenfassungen und Antworten beeinträchtigen. Die Bereinigung und Standardisierung von Supportdaten trägt dazu bei, dass KI mit einem konsistenteren Kontext arbeitet und das Risiko ungenauer oder veralteter Ergebnisse verringert wird.
Die fünf Dimensionen sind Genauigkeit und Deduplizierung, Vollständigkeit, Struktur und Konsistenz der Taxonomie, Aktualität und Herkunft sowie Governance, Zugriff und Compliance. Zusammen bilden sie einen praktischen Rahmen zur Bewertung der Eignung von Supportdaten für KI. Die Bedeutung jeder Dimension hängt von der jeweiligen KI-Anwendung, ihren Datenanforderungen und den Risiken fehlerhafter Ergebnisse ab.
Beginnen Sie mit der Prüfung von Tickets, Kundendatensätzen, Wissensdatenbanken, benutzerdefinierten Feldern, Tags, Anhängen und Beziehungen zwischen Datensätzen. Achten Sie auf Duplikate, fehlende Informationen, inkonsistente Werte, veraltete Inhalte und Zugriffsbeschränkungen. Validieren Sie die Daten anschließend anhand Ihrer geplanten KI-Anwendungsfälle. Tests von Klassifizierung, Datenabfrage, Zusammenfassungen oder Empfehlungen anhand bekannter Ergebnisse können wichtige Lücken in der Einsatzbereitschaft aufdecken.
Ja. Help Desk Migration unterstützt Sie bei der Bewertung, Zuordnung und Übertragung von Supportdaten zwischen Plattformen, wobei wichtige Datensätze und Beziehungen erhalten bleiben. Eine Migration dient außerdem als Datenprüfung, um inkonsistente Felder, veraltete Inhalte, Duplikate und Zuordnungsprobleme zu identifizieren, bevor diese in Ihre neue KI-gestützte Umgebung gelangen.
Nicht unbedingt. Beginnen Sie damit, die für Ihren KI-Anwendungsfall relevanten historischen Datensätze zu identifizieren. Aktuelle, vollständige Tickets und aktuelles Wissen liefern möglicherweise einen nützlicheren Kontext als veraltete Datensätze. Ältere Daten können jedoch weiterhin für Kundenhistorie, Berichte, Compliance oder Audits benötigt werden. Eine selektive Migration ermöglicht sauberere KI-Tests und erhält gleichzeitig wichtige historische Informationen.
Nein. Es gibt keine einheitliche Definition für KI-fähige Daten. Frameworks von IBM, Deloitte, Gartner und McKinsey betonen unterschiedliche Faktoren, darunter Qualität, Governance, Zugänglichkeit, Herkunft, Sicherheit und die Übereinstimmung mit dem Anwendungsfall. Für Support-Teams ist es am praktikabelsten, die Daten anhand der Anforderungen, Risiken und des Kontexts der geplanten KI-Funktionen zu bewerten.
